CN113919221A - 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 - Google Patents

一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 Download PDF

Info

Publication number
CN113919221A
CN113919221A CN202111173303.XA CN202111173303A CN113919221A CN 113919221 A CN113919221 A CN 113919221A CN 202111173303 A CN202111173303 A CN 202111173303A CN 113919221 A CN113919221 A CN 113919221A
Authority
CN
China
Prior art keywords
neural network
load
wind
hidden layer
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111173303.XA
Other languages
English (en)
Inventor
许扬
蔡安民
张林伟
林伟荣
焦冲
李媛
金强
郑磊
蔺雪峰
杨博宇
李力森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaneng Clean Energy Research Institute
Original Assignee
Huaneng Clean Energy Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huaneng Clean Energy Research Institute filed Critical Huaneng Clean Energy Research Institute
Priority to CN202111173303.XA priority Critical patent/CN113919221A/zh
Publication of CN113919221A publication Critical patent/CN113919221A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于BP神经网络的风机载荷预测及分析方法，属于风力发电技术领域。本发明基于大量数值模拟结果，进行BP神经网络训练，建立适用的神经网络模型，实现风机关键部位载荷的快速准确预测。同时，利用Garson算法对不同输入风参变量对载荷的影响的权重进行评估，获得影响风力机关键部位载荷的核心参数，从而实现对特定机组在不同风况下关键部位的载荷情况的快速预测。本发明能够简化正常发电状态下不同风况的风机载荷计算流程，实现风机载荷预测的数字化、智能化，具有良好的应用前景。

Description

一种基于BP神经网络的风机载荷预测及分析方法、装置及存 储介质
技术领域
本发明属于风力发电技术领域，具体涉及一种基于BP神经网络的风机载荷预测及分析方法、装置及存储介质。
背景技术
风机载荷是影响风机运行安全性的重要因素，因此，对载荷的测量和计算在选址、机组选型以及风电机组运行过程中都尤为重要。
现有的对风电机组关键部位载荷的测量主要采用粘贴应变片的方法，而对风电机组载荷的计算方法，较为常用的采用基于叶素动量理论的计算工具Bladed等对不同工况下的风机载荷进行计算。但是，利用Bladed进行计算往往需要详细的机组模型，并且计算较为耗时。
发明内容
为了解决上述问题，本发明的目的在于提供一种基于BP神经网络的风机载荷预测及分析方法、装置及存储介质，能够简化正常发电状态下不同风况的风机载荷计算流程，实现风机载荷预测的数字化、智能化。
本发明是通过以下技术方案来实现：
一种基于BP神经网络的风机载荷预测及分析方法，包括：
S1：利用bladed软件对需要进行载荷测算的机组进行建模；
S2：生成正常发电状态下若干风工况，利用S1建立的模型对风机在不同风工况下关键部位的载荷进行模拟，并统计形成数据集；
S3：建立BP神经网络，设置初始训练参数，并将S2形成的数据集划分为训练集、验证集和测试集；并采用训练集对BP神经网络进行训练，获得输入与输出的映射关系；
S4：对训练完成的BP神经网络进行迭代优化，获得优化后的BP神经网络；利用优化后的BP神经网络对测试集进行测试，获得输出结果，实现对特定机组在不同风况下关键部位载荷情况的预测；
S5：提取S4得到的优化后的BP神经网络的特征参数，利用Garson算法分析不同的输入变量对输出变量影响的权重，实现不同风况参数对机组载荷影响的敏感性分析。
优选地，S2中，通过在一定范围内生成随机数的方式产生风工况，生成的风工况数量≥100个。
优选地，S2中，对风机在不同风工况下关键部位的载荷进行模拟时，包括风速、空气密度、湍流强度、入流角，风切变、偏航误差对叶根和塔底关键部位的载荷影响。
优选地，S3中，BP神经网络的初始训练参数包括神经网络隐含层级数、隐含层神经元个数、训练次数、学习速率和误差限。
优选地，S3中，对BP神经网络进行初始训练时，通过BP神经网络的反向传播原理，利用梯度搜索技术，使BP神经网络的实际输出值和期望输出值的误差均方差为最小，获得最优训练参数。
优选地，S4中，对BP神经网络进行迭代优化时，调整隐藏层神经元节点数，分别对训练集进行训练，记录不同隐藏层神经元节点数所对应的验证集的均方误差，确定最优隐藏层神经元节点数。
进一步优选地，S4中，最优隐藏层神经元节点数的确定原则为，使验证集均方误差最小，同时多重确定系数R最大。
优选地，S5中，所述优化后的BP神经网络的特征参数，包括从输入层到隐藏层的权重矩阵、从隐藏层到输出层的权重矩阵和所有层的偏置矩阵；Garson算法的具体表示为：
Figure BDA0003294160790000031
其中，p为输入层单元数，n为隐含层的神经元个数，Ii为第i个因素的影响权重，W1 j.i为从输入层第i个神经元到隐含层第j个神经元的权重，W2 1,j为从隐含层第j个神经元到输出层的权重。
本发明公开了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于BP神经网络的风机载荷预测及分析方法的步骤。
本发明公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于BP神经网络的风机载荷预测及分析方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
本发明公开的基于BP神经网络的风机载荷预测及分析方法，基于大量数值模拟结果，进行BP神经网络训练，建立适用的神经网络模型，实现风机关键部位载荷的快速准确预测。同时，利用Garson算法对不同输入风参变量对载荷的影响的权重进行评估，获得影响风力机关键部位载荷的核心参数，从而实现对特定机组在不同风况下关键部位的载荷情况的快速预测。本发明能够简化正常发电状态下不同风况的风机载荷计算流程，实现风机载荷预测的数字化、智能化，具有良好的应用前景。
进一步地，生成的风工况数量≥100个，使数据具有统计意义，使最终预测结果更加精确。
附图说明
图1为本发明的流程示意图；
图2为BP神经网络拓扑结构图；
图3为BP神经网络风机载荷预测结构图；
图4为神经网络训练结果回归分析图；
图5为多因素权重分析图。
具体实施方式
下面以附图和具体实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
如图2所示，为BP神经网络的基本拓扑结构图。BP网络是在输入层与输出层之间增加若干隐藏层(一层或多层)神经元，这些神经元称为隐单元，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输出之间的关系。BP神经网络是一种重要的前向神经网络模型，BP神经网络的特点在于将输出误差以某种形式通过隐含层向输入层逐层反传，并将误差分摊给各层的所有神经元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。对一个典型的含有一个输入层、一个隐含层以及一个输出层的神经网络，其网络输出可以表示为
y＝p[f(W1x+B1)W2+B2],
其中，x和y为输入和输出矩阵向量，W1和B1分别为输入层隐含层的权重和偏置，W2和B2分别为输出层隐含层的权重和偏置，f和p是同一个激活函数。在神经网络训练的过程中，权重和偏置向量通过反馈进行调整，从而满足偏差的要求。该过程可以表示为
d[Wi(s+1)]＝-αMSEs+βd[Wi(s)],
而偏差通常由实际输出和预测输出之间的均方误差(MSE)表示，具体表示为
Figure BDA0003294160790000041
q为训练样本个数，yi、yi,t为第i项神经网络的预测值和实际数值，MSEs是第s次迭代的均方差，d[Wi(s+1)]和d[Wi(s)]是第s次和s+1次迭代对权重向量的修正，α和β是学习速率和动量因子。
图3为利用BP神经网络进行风机载荷预测的结构图。神经网络的输入变量为风况条件(如风速、空气密度、湍流强度、入流角、风切变、偏航误差等)，通过神经网络的计算，映射到的输出变量为风机关键部件的载荷强度，如叶根平均载荷、叶根极限载荷、塔底平均载荷、塔底极限载荷等。
如图1，为本发明的基于BP神经网络的风机载荷预测及分析方法的具体流程，包括：
1)选定需要进行载荷测算的机组型号，利用bladed进行机组建模。
2)通过在一定范围内生成随机数的方式产生风工况，为了使数据具有统计意义，生成的风工况的数量不少于100个。
3)通过风工况生成以及Bladed模型计算，统计不同工况下关键部位的载荷情况，形成数据集。基于上述通过Bladed软件计算得到的数据集，于其中选取一定比例数据组作为训练集，一定比例的数据作为验证集，剩下的数据组作为测试集。
4)建立BP神经网络拓扑模型，将训练样本统一进行归一化处理，设置初始训练参数，包括神经网络隐含层级数、隐含层神经元个数、训练次数、学习速率、误差限等。
5)基于训练集对神经网络的进行训练，获得输入与输出的映射关系。通过BP神经网络的反向传播原理，利用梯度搜索技术，使网络的实际输出值和期望输出值的误差均方差为最小，从而得到特定拓扑结构下的最佳训练参数。
6)调整隐藏层神经元个数，分别对训练集进行训练，记录不同隐藏层神经元个数所对应的验证集的均方误差，对比选取使得验证集均方误差最小，同时多重确定系数R最大时所对应的隐藏层神经元个数。
7)基于已经训练完成的神经网络结构，对测试集进行测试，获得神经网络预测值与期望值的平均绝对误差、均方误差、均方根误差等关键参数。
8)在训练得到的神经网络的基础上，提取网络特征参数，包括从输入层到隐藏层的权重矩阵，从隐藏层到输出层的权重矩阵，以及所有层的偏置矩阵。通过Garson算法，分析不同的输入变量对输出变量影响的权重。Garson算法的具体表示为
Figure BDA0003294160790000061
其中，p为输入层单元数，n为隐含层的神经元个数，Ii为第i个因素的影响权重，W1 j.i为从输入层第i个神经元到隐含层第j个神经元的权重，W2 1,j为从隐含层第j个神经元到输出层的权重。
通过以上流程，实现对特定机组在不同风况条件下机组关键部位的载荷情况的快速预测，并且对不同输入风参变量对不同部位载荷影响的权重进行评估，获得关键影响参数。
下面以一个具体实施例对本发明进行进一步地解释说明：
对某在役1.5MW机组，以风速、空气密度、湍流强度、入流角、风切变、偏航误差为输入参数，以叶根平均载荷为输出变量。首先利用Bladed建立该机组的数值模拟模型。生成风工况，在风速区间为4-24m/s，空气密度区间为0.9-2kg/m3，15m/s参考湍流强度区间为0.05-0.8，入流角区间为4°-40°，风切变区间为0.01-0.5，变桨误差为-40°～60°内生成200组风工况，设定其中83％为训练集，17％为测试集。训练次数设置为1000，学习速率设为0.01，训练目标设置为0.001，动量因子设置为0.9。隐含层传递函数选用Sigmoid型函数，输出层采用线性传递函数。调整不同的隐藏层节点数，不同节点数条件下神经网络训练结果所对应的均方误差MSE和多重确定系数R，如表1所示。由表1可知，对该模型，当隐藏层节点数为8时，模型训练结果的MSE最小，同时多重确定系数R最大，因此，选定隐藏层节点数为8。图4给出了训练结果，在选定的网络参数设置下，所有数据集训练的多重训练系数R达到0.9748，该神经网络预测效果较好。提取该训练得到的神经网络输入隐含层权值矩阵以及输出隐含层权值矩阵，分别如表2和表3所示。通过Garson算法进行多因素权重分析，得到各因素的权重占比如图5所示。可见，在多种影响因素中，平均风速对该机组的叶根平均载荷影响最为显著，其权重高达29.7％；其次是入流角和偏航误差的影响，其权重分别达到19.7％和17.4％；相较而言，空气密度、湍流强度、风切变对该机组叶根平均载荷的影响则较不显著。
通过以上论述和示例，实现了对特定机组在不同风况条件下机组关键部位的载荷情况的快速预测，并且对不同输入风参变量对载荷的影响的权重进行评估，获得关键影响参数。
表1
Figure BDA0003294160790000071
表2
Figure BDA0003294160790000072
表3
隐含层节点 1 2 3 4 5 6 7 8
输出 2.041 0.936 -0.672 -0.449 0.299 0.217 0.370 -1.267
本发明还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明所述基于BP神经网络的风机载荷预测及分析方法的步骤。
本发明基于BP神经网络的风机载荷预测及分析方法可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明基于BP神经网络的风机载荷预测及分析方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
基于这样的理解，在示例性实施例中，还提供了一种计算机可读存储介质，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于该计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。其中，所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
在示例性实施例中，还提供计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于BP神经网络的风机载荷预测及分析方法的步骤。处理器可能是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor、DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
需要说明的是，以上所述仅为本发明实施方式的一部分，根据本发明所描述的系统所做的等效变化，均包括在本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均属于本发明的保护范围。

Claims (10)

1.一种基于BP神经网络的风机载荷预测及分析方法，其特征在于，包括：
S1：利用bladed软件对需要进行载荷测算的机组进行建模；
S2：生成正常发电状态下若干风工况，利用S1建立的模型对风机在不同风工况下关键部位的载荷进行模拟，并统计形成数据集；
S3：建立BP神经网络，设置初始训练参数，并将S2形成的数据集划分为训练集、验证集和测试集；并采用训练集对BP神经网络进行训练，获得输入与输出的映射关系；
S4：对训练完成的BP神经网络进行迭代优化，获得优化后的BP神经网络；利用优化后的BP神经网络对测试集进行测试，获得输出结果，实现对特定机组在不同风况下关键部位载荷情况的预测；
S5：提取S4得到的优化后的BP神经网络的特征参数，利用Garson算法分析不同的输入变量对输出变量影响的权重，实现不同风况参数对机组载荷影响的敏感性分析。
2.如权利要求1所述的基于BP神经网络的风机载荷预测及分析方法，其特征在于，S2中，通过在一定范围内生成随机数的方式产生风工况，生成的风工况数量≥100个。
3.如权利要求1所述的基于BP神经网络的风机载荷预测及分析方法，其特征在于，S2中，对风机在不同风工况下关键部位的载荷进行模拟时，包括风速、空气密度、湍流强度、入流角，风切变、偏航误差对叶根和塔底关键部位的载荷影响。
4.如权利要求1所述的基于BP神经网络的风机载荷预测及分析方法，其特征在于，S3中，BP神经网络的初始训练参数包括神经网络隐含层级数、隐含层神经元个数、训练次数、学习速率和误差限。
5.如权利要求1所述的基于BP神经网络的风机载荷预测及分析方法，其特征在于，S3中，对BP神经网络进行初始训练时，通过BP神经网络的反向传播原理，利用梯度搜索技术，使BP神经网络的实际输出值和期望输出值的误差均方差为最小，获得最优训练参数。
6.如权利要求1所述的基于BP神经网络的风机载荷预测及分析方法，其特征在于，S4中，对BP神经网络进行迭代优化时，调整隐藏层神经元节点数，分别对训练集进行训练，记录不同隐藏层神经元节点数所对应的验证集的均方误差，确定最优隐藏层神经元节点数。
7.如权利要求6所述的基于BP神经网络的风机载荷预测及分析方法，其特征在于，S4中，最优隐藏层神经元节点数的确定原则为，使验证集均方误差最小，同时多重确定系数R最大。
8.如权利要求1所述的基于BP神经网络的风机载荷预测及分析方法，其特征在于，S5中，所述优化后的BP神经网络的特征参数，包括从输入层到隐藏层的权重矩阵、从隐藏层到输出层的权重矩阵和所有层的偏置矩阵；Garson算法的具体表示为：
Figure FDA0003294160780000021
其中，p为输入层单元数，n为隐含层的神经元个数，Ii为第i个因素的影响权重，W1 j.i为从输入层第i个神经元到隐含层第j个神经元的权重，W2 1,j为从隐含层第j个神经元到输出层的权重。
9.一种计算机设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的基于BP神经网络的风机载荷预测及分析方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的基于BP神经网络的风机载荷预测及分析方法的步骤。
CN202111173303.XA 2021-10-08 2021-10-08 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 Pending CN113919221A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111173303.XA CN113919221A (zh) 2021-10-08 2021-10-08 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111173303.XA CN113919221A (zh) 2021-10-08 2021-10-08 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN113919221A true CN113919221A (zh) 2022-01-11

Family

ID=79238562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111173303.XA Pending CN113919221A (zh) 2021-10-08 2021-10-08 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113919221A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879381A (zh) * 2023-03-01 2023-03-31 西安航天动力研究所 一种火箭发动机冲击载荷预测方法、装置、设备及介质
CN116146421A (zh) * 2023-03-08 2023-05-23 大唐凉山新能源有限公司 一种基于风机状态感知的智能控制方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879381A (zh) * 2023-03-01 2023-03-31 西安航天动力研究所 一种火箭发动机冲击载荷预测方法、装置、设备及介质
CN115879381B (zh) * 2023-03-01 2023-07-14 西安航天动力研究所 一种火箭发动机冲击载荷预测方法、装置、设备及介质
CN116146421A (zh) * 2023-03-08 2023-05-23 大唐凉山新能源有限公司 一种基于风机状态感知的智能控制方法及系统

Similar Documents

Publication Publication Date Title
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN106991212B (zh) 基于ga_pso优化grnn网络算法的叶根强度预测方法
CN105138717A (zh) 一种动态变异粒子群优化神经网络的变压器状态评估方法
CN113919221A (zh) 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质
CN110110434B (zh) 一种概率潮流深度神经网络计算的初始化方法
CN109088407B (zh) 基于深度信念网络伪量测建模的配电网状态估计方法
CN109347110B (zh) 一种含高比例风电并网的自适应线性化概率潮流计算方法
Cheng et al. The quality evaluation of classroom teaching based on FOA-GRNN
CN113553755B (zh) 电力系统状态估计方法、装置及设备
CN112861429B (zh) 一种风力机机舱传递函数计算方法
CN111931983A (zh) 一种降水量预测方法及系统
CN114021483A (zh) 基于时域特征与XGBoost的超短期风电功率预测方法
CN106295908A (zh) 一种svm风电功率预测方法
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN115860170A (zh) 一种考虑电力电子负载的配电系统电能质量优化方法
CN109540089B (zh) 一种基于贝叶斯-克里金模型的桥面高程拟合方法
CN117170980B (zh) 一种服务器硬件异常预警方法、装置、设备及存储介质
CN114357870A (zh) 基于局部加权偏最小二乘的计量设备运行性能预测分析方法
Ivanov et al. State estimation for power systems with multilayer perceptron neural networks
CN110738363A (zh) 一种光伏发电功率预测模型及其构建方法和应用
CN117076887A (zh) 一种泵站机组运行状态预测和健康评估方法及系统
CN117454939A (zh) 一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法
CN116896093A (zh) 一种风电场并网振荡稳定性在线分析与优化方法
CN114139442A (zh) 基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法
CN111639463B (zh) 一种基于XGBoost算法的电力系统扰动后频率特征预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination